Leaf diseases detection using deep learning methods
Derin öğrenme yöntemlerini kullanarak yaprak hastalıklarının tespiti
- Tez No: 833049
- Danışmanlar: PROF. DR. RECEP ERYİĞİT
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 269
Özet
Yaprak hastalıkları, bitki sağlığı alanında önemli bir zorluk teşkil etmekte ve mahsul verimi üzerinde derin bir etki yaratmaktadır. Bu hastalıkları erken aşamalarında tespit etmek, optimum bitki sağlığını korumak ve maksimum verimliliği sağlamak için çok önemlidir. Bununla birlikte, yaprak hastalıklarının tespiti için kullanılan mevcut yöntemler genellikle yetersiz kalmakta, etkisizlik göstermekte ve önemli ölçüde geliştirilmeye ihtiyaç duymaktadır. Mevcut teknikler tipik olarak yavaşlıklarıyla karakterize edilir ve bazen potansiyel hastalık belirtilerini tanımlamak için insan müdahalesi gerektirir. Derin öğrenme yöntemleri, geleneksel yöntemlere kıyasla yaprak hastalıklarının daha hassas ve güvenilir bir şekilde tespit edilmesi ve tanımlanması potansiyelini sunarak bu sınırlamaların üstesinden gelme konusunda umut vaat etmektedir. Bununla birlikte, bu yöntemlerin pratik kullanıma etkili bir şekilde entegre edilebilmesi için çeşitli engellerin aşılması gerekmektedir. Araştırmacılar, yaprak görüntülerinden oluşan kapsamlı veri setleri içinde çeşitli yaprak hastalıklarını hassas bir şekilde tespit edip tanımlayabilen sağlam ve doğru derin öğrenme modelleri oluşturma zorluğuyla karşı karşıyadır. Bu modeller, olumsuz çevresel koşullar altında veya hastalık gelişiminin çeşitli aşamalarında çekilenler de dahil olmak üzere, değişen kalite ve netlikteki görüntülere uyum sağlayabilmelidir. Ayrıca, bu modeller benzer hastalıkları ve diğer zararsız koşulları tanıyabilme ve ayırabilme yeteneğine sahip olmalıdır. Bu çok yönlü zorlukları etkili bir şekilde ele almak için, özellikle evrişimli sinir ağlarının (CNN'ler) optimizasyonu ve geliştirilmesine odaklanarak, mevcut derin öğrenme metodolojilerinin kapsamlı bir şekilde iyileştirilmesini üstlenmemiz gerekmektedir. Bu dikkatli iyileştirme çabası, farklı karmaşıklık, ölçek ve görüntü kalitesi derecelerini kapsayan çeşitli veri setleri genelinde bilgi ve içgörüleri genelleştirme yetenekleri açısından bu sinir ağlarının kapasitesini artırma zorunluluğundan kaynaklanmaktadır. Aynı zamanda çabalarımız, hastalık tespitinin genel hassasiyetini ve etkinliğini artırmaya, her biri kendine özgü görsel imzalarla karakterize edilen zengin bir yaprak hastalıkları dokusu ve tespit görevine nüanslar ve karmaşıklıklar getirebilecek çeşitli çevresel koşullar boyunca uygulanabilirliğini genişletmeye yöneliktir. Temel olarak, iyileştirme süreci, sürekli gelişen bitki sağlığı ve yaprak hastalığı tespiti ortamının ortaya çıkardığı karmaşık zorlukların üstesinden gelebilecek derin öğrenme metodolojileri için daha çok yönlü ve dirençli bir temel oluşturmayı amaçlamaktadır. Temelde, özellikle CNN'ler çerçevesinde derin öğrenme metodolojilerinin iyileştirilmesi, bu hesaplama sistemlerini geleneksel sınırlamaların sınırlarını aşacak şekilde güçlendirmeyi amaçlayan çok yönlü bir çabayı temsil etmektedir. Bu sistemlerin, karmaşık ve dinamik bir alan olan yaprak hastalıklarının tespitinde üstünlük sağlamak için gerekli esneklik ve zeka ile donatılması ve böylece bu kritik tarımsal soruna daha doğru, verimli ve uyarlanabilir çözümlerin önünün açılması amaçlanmaktadır. Bu çalışmanın ana amacı, yaprak görüntüsü veri setlerini kullanarak bitki yaprak hastalıklarının tanımlanması ve tespit edilmesi için yeni derin öğrenme yaklaşımlarının geliştirilmesi etrafında dönmektedir. Mevcut yaprak hastalığı tespit yöntemlerinin karşılaştığı mevcut zorlukları incelemekte ve derin öğrenmenin hastalık tespit doğruluğunu artırmak için nasıl bir çözüm olarak hizmet edebileceğini açıklamaktadır. Bu çabanın bir parçası olarak, kritik hiperparametreleri ve optimizasyon tekniklerini kapsayan verimli bir ağ mimarisinin tanımıyla birlikte, mahsullerdeki çeşitli yaprak hastalıklarının tespiti için yenilikçi yöntemler önerilmektedir. Bu çalışma, hızlı ve doğru yaprak hastalığı tespiti yapabilen bir model oluşturmayı amaçlayarak, en etkili yapılandırmayı belirlemek için farklı ağ mimarilerini sistematik olarak karşılaştırmaktadır. Ayrıca araştırma, bitki yaprak hastalıklarının tanımlanması ve tespit edilmesi için etkili bir araç sunan CNN'e dayanan yeni bir modeli tanıtmaktadır. Modelin etkinliği kapsamlı bir şekilde değerlendirilmiş ve önceden eğitilmiş son teknoloji mimarilerden elde edilen sonuçlarla karşılaştırılmıştır. Her modelin performansını optimize etmek için bir parametre ayarlama algoritması geliştirilmiştir. Ayrıca, bitki hastalıklarının tanımlanması ve sınıflandırılmasına ilişkin mevcut araştırmaların öncelikle tek kanallı ve aynı çözünürlüklü görüntülere odaklandığı belirtilmektedir. Bu sınırlama, kesin hastalık tespiti için gerekli olan kapsamlı bilgiyi yakalamada yetersiz kalabilir. Sonuç olarak, bu tez, hastalık sınıflandırma hassasiyetini ve verimliliğini artırmak için birden fazla bilgi kanalından yararlanarak yaprak hastalıklarını otomatik olarak sınıflandıran derin çok ölçekli evrişimli sinir ağı (DMCNN) çerçevesini bir çözüm olarak ortaya koymaktadır. Bu Araştırmada, hem genel kullanıma açık veri setlerini hem de yeni derlenen veri setlerini kullanarak model geliştirme ve test etme çalışmaları yürütmekte ve literatürdeki bir boşluğu doldurmaktadır. Ayrıca bu çalışma, çeşitli veri setlerinin derin öğrenme modellerinin etkinliği üzerindeki etkisini araştırmakta, bu modellerin farklı veri setleriyle karşılaştıklarında nasıl performans gösterdiğini ve daha fazla veri çeşitliliği ile performanslarının nasıl artırılabileceğini incelemektedir. Bu çaba özellikle yaprak hastalıklarının belirlenmesi bağlamında önemlidir ve yaprak hastalıkları için teşhis ve tedavi sistemlerini geliştirirken yaprak hastalıklarını tanımak için derin öğrenmenin potansiyelinin altını çizmektedir. Önerilen yaprak hastalığı tespit yöntemleri başarıyla uygulanmış ve kapsamlı bir şekilde değerlendirilerek oldukça tatmin edici performans sonuçları elde edilmiştir. Bu araştırma, yaprak hastalıklarıyla mücadele etme ve mahsul sağlığı ile verimliliğini artırma arayışında önemli bir adım teşkil etmektedir.
Özet (Çeviri)
Leaf diseases are a prevalent issue in the realm of plant health and can have a profound impact on crop yields. Therefore, detecting early signs of disease is essential for optimal plant health and productivity. Unfortunately, current methods for detecting leaf diseases are ineffective, and there is much room for improvement in this area. For example, existing techniques are typically slow and may require human intervention to identify possible disease symptoms. Deep learning methods have the potential to overcome these limitations and provide more accurate detection and identification of leaf diseases than traditional methods. However, many challenges still need to be overcome before these methods can be implemented in practice. In particular, researchers must develop resilient and precise deep learning models capable of accurately detecting and identifying different types of leaf diseases in large datasets of leaf images. The models should also be trained to perform well with images of varying quality and clarity, such as those captured under challenging environmental conditions or at different stages of a disease's development, these models should also be able to recognize and distinguish between similar diseases and other benign conditions. To address these challenges, we need to improve existing deep learning methodologies, including convolutional neural networks (CNNs), to generalize better across datasets and yield improved detection accuracy for various leaf diseases and conditions. In this study, our main topic is to devlop a new deep-learning approachs for plant leaf disease identification and detection using leaf image datasets. We also discussed the challenges facing current methods of leaf disease detection and how deep learning may be used to overcome these challenges and enhance the accuracy of disease detection. Therefore, we have proposed a novel method for the detection of various leaf diseases in crops, along with the identification and description of an efficient network architecture that encompasses hyperparameters and optimization methods. The effectiveness of different architectures was compared and evaluated to see the best architecture configuration and to create an effective model that can quickly detect leaf disease. In addition to the work done on pre-trained models, we proposed a new model based on CNN, which provides an efficient method for identifying and detecting plant leaf disease. Furthermore, we evaluated the efficacy of our model and compared the results to those of some pre-trained state-of-the-art architectures. A parameter-tuning algorithm was developed to identify the optimal performance of each model. In this work, model building and testing will be carried out using open datasets from the literature as well as collected datasets for the plant that do not exist in the literature. In this work, we also discussed the effect of datasets on the effectiveness of deep learning models. The proposed leaf disease detection approaches were successfully implemented and evaluated, and very satisfactory performance results were obtained.
Benzer Tezler
- Pancar bitki hastalıklarının derin öğrenme ile sınıflandırılması
Classification of beet plant diseases using deep learning
BİLAL EYİSOY
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAmasya ÜniversitesiTeknoloji ve İnovasyon Yönetimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YAVUZ ÜNAL
- Derin öğrenme metotları ile asma yapraklarının sınıflandırılması
Classification of vine leaves using deep learning methods
BERİVAN AKDOĞAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBatman ÜniversitesiBilgi Teknolojileri Ana Bilim Dalı
PROF. DR. NECMETTİN SEZGİN
- Problem odaklı yenilikçi açıklanabilir ve hibrityapay zeka modellerinin geliştirilmesi
Development of problem-oriented innovative explainable and hybridartificial intelligence models
HANDE YÜKSEL BAYRAM
Doktora
Türkçe
2024
Bilim ve TeknolojiFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. BİLAL ALATAŞ
- Derin öğrenme tabanlı kiraz yapraklarında hasar tespiti
Deep learning-based damage detection on cherry leaves
HAZEL BOZCU
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURAKHAN ÇUBUKÇU
- Domates hastalıklarının sınıflandırılması için makine öğrenmesi ve derin öğrenme temelli yeni yaklaşımlar
New approaches to classification of tomato diseases based on machine learning and deep learning
HASAN ULUTAŞ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL ASLANTAŞ